Gato
产品品牌
未认领Gato 是由 DeepMind 开发的一种多模态、多任务深度神经网络，旨在作为通用人工智能代理。
最近更新 2026年8月31日
AI 爬虫读取
暂未记录到 AI 爬虫读取这个词条。
概览
Gato 是由总部位于伦敦的人工智能研究公司 DeepMind 开发的深度神经网络。它不是为单一狭窄应用而设计，而是作为一个通用系统，能够通过一个模型处理大量任务。报道的例子包括进行对话、写诗、玩视频游戏以及控制机械臂堆叠积木。 该系统是一个基于 Transformer 的模型，与 GPT-3 等大型语言模型属于同一广泛技术家族。其多模态设计使其能够处理不同类型输入和输出并采取行动，而不是仅专注于文本。这使 Gato 区别于传统的窄 AI 系统，后者通常针对单一受限任务进行训练和部署，例如文本生成、图像分类、游戏或机器人控制。 据报道，Gato 使用监督学习，包含约 12 亿个参数。其核心研究主张是，单个模型可以同时学习多个任务，并在它们之间切换，而不必丢弃或覆盖先前获得的能力。这一能力被呈现为证据，表明扩展和统一不同训练目标可以支持更灵活的 AI 代理。 该模型因连接了通常分开开发的能力而受到关注：自然语言交互、基于软件的游戏以及通过机器人进行的物理操作。从这个意义上说，Gato 不仅仅是对话系统或机器人控制器。它是一个实验性架构，旨在展示一个通用模型如何在异构环境中运行。 关于 Gato 的评论将其描述为通用 AI 系统、通用代理，以及可能迈向人工通用智能的一步。这些描述指的是其任务覆盖的广度，而不是证明它已达到人类水平的智能或人工通用智能。当代报道也质疑其展示性能应如何解读，特别是在许多任务上的成功并不一定意味着系统匹配人类的适应性、可靠性或理解力。 Gato 最好被理解为一个研究模型，而不是大众市场消费产品或独立运营的商业品牌。现有参考资料未建立独立网站、零售产品、公开上市、运营市场或正式产品系列。其意义主要在于 DeepMind 朝向多模态、多任务和更通用 AI 系统的研究方向。
沿革
Gato 源于 DeepMind 对跨多个领域运行的系统研究，而不是专注于单一任务。该项目由 DeepMind 伦敦的研究人员开发，并于 2022 年报道。其设计使用 Transformer 架构和约 12 亿个参数，使用监督学习在多种活动上训练系统。 该模型的显著特点是尝试在一个通用系统中表示不同任务。据报道，Gato 可以参与对话、产生创意文本（如诗歌）、玩视频游戏，并控制机械臂堆叠积木。这些能力跨越语言、数字环境和物理交互，这些领域通常由单独的专业模型处理。因此，Gato 作为研究演示，检验一个神经网络能否在任务间移动时学习并保留多种技能。 该系统在向多模态和通用 AI 发展的更广泛背景下被讨论。报道将 Gato 的多任务方法与窄 AI 系统进行对比，后者针对特定功能优化，通常不能轻松将其能力转移到不相关的设置。Gato 的研究人员和评论者将该架构视为迈向更通用智能的可能一步，尽管这种语言并未确立该模型已达到人工通用智能或人类水平推理。 其展示后的公开讨论集中在广度与深度之间的区别。一个模型可能在许多任务上表现出能力，但仍依赖受限环境、有限任务定义或低于人类标准的性能。因此，Gato 的重要性主要是方法论上的：它展示了基于 Transformer 的系统如何在统一框架下训练以处理异构任务，并帮助激发关于通用 AI 代理可行性和局限性的辩论。 现有参考资料未记录消费者发布、独立商业运营、独立公司结构或后续产品世代。因此，Gato 被视为 DeepMind 研究模型和 AI 技术品牌。其长期影响、部署状态以及与后续 DeepMind 系统的关系未由提供的来源确定。
产品与定位
一个面向研究的通用 AI 系统，旨在将不同任务和模态统一到单个基于 Transformer 的模型中。
多模态多任务 AI 模型 · 2022
Gato
Gato 是一个基于 Transformer 的深度神经网络，旨在通过单个模型执行多种类型的任务。演示的能力包括对话、创意文本生成、视频游戏和机械臂堆叠积木的控制。其约 12 亿参数和监督学习方法支持 DeepMind 对通用 AI 代理的探索，该代理可以在语言、数字和物理环境之间移动。
品牌决策
2022
开发并展示一个通用模型新品背景
DeepMind 的研究解决了窄 AI 系统的局限性，这些系统通常为单一受限任务而构建。
采取的行动
研究团队创建并展示了 Gato 作为一个基于 Transformer 的系统，能够处理异构任务，包括语言交互、游戏和机器人控制。
后续影响
该项目促进了关于多模态学习、通用代理以及广泛任务覆盖是否代表迈向人工通用智能的有意义进展的更广泛讨论。
来源2 个来源
引用本词条: 请引用规范词条页。 /brand-wiki/gato · 编辑方针 · 词条如何编纂